De functie bouwen: Decision Making Units

Vinden wie er daadwerkelijk 'ja' zegt

Stel je eens voor: je werkt al weken aan een deal. Je hebt je huiswerk gedaan, nachtenlang de details uitgewerkt en intern alles afgestemd. Je voelt je zeker van je zaak, want de prospect gaf vanaf het begin alleen maar positieve signalen.

En dan komt die gevreesde reactie:

"Ik heb helaas niet de bevoegdheid om deze deal goed te keuren."

Of erger nog: je komt erachter dat de persoon met wie je al die tijd sprak, het bedrijf maanden geleden al heeft verlaten.

De impact is direct voelbaar. Je geloofwaardigheid krijgt een klap, je hebt kostbare tijd verspild aan de verkeerde contactpersoon en de deal loopt vertraging op (of ketst af). Dit is geen uitzondering. In complexe B2B-trajecten is beslissingsbevoegdheid vaak versnipperd, slecht gedocumenteerd en snel verouderd.

Bouwen aan de oplossing

Het zou prachtig zijn als een AI-model een kant-en-klaar stappenplan kon uitspugen om elke deal te sluiten. Zover zijn we nog niet. Waar we wél invloed op hebben, is een van de meest foutgevoelige onderdelen van het proces: begrijpen wie er nu écht invloed heeft en wie de knoop doorhakt.

Dit vormt de basis van onze nieuwe Decision Making Unit (DMU) feature.

Veel mensen denken dat het bouwen van een feature vooral neerkomt op code schrijven. Maar als je het goed aanpakt, gaat de meeste tijd zitten in de voorbereiding: de scope bepalen, randvoorwaarden stellen en valideren. Bij de DMU-feature was dat niet anders.

Onze belangrijkste eis? Betrouwbaarheid. Als gebruikers actie ondernemen op basis van onze inzichten, moeten ze erop kunnen vertrouwen dat de getoonde personen echt bestaan, relevant zijn en invloed hebben. Een AI die stakeholders 'hallucineert' doet meer kwaad dan goed.

Betrouwbare data, of helemaal niets

We hadden voor de makkelijke weg kunnen kiezen: wat namen scrapen, er een functietitel aan hangen en klaar. Maar dat is zinloos. Als je op een DMU-feature vertrouwt voor je outreach, mag je niet twijfelen aan de data.

Daarom hanteren we een strenge regel: als we het niet kunnen verifiëren, tonen we het niet.

Voor elke persoon die we tonen, zie je de naam, de rol en een heldere classificatie: Key decision maker of Key influencer. Dat onderscheid is cruciaal. Influencers zorgen voor draagvlak, beslissers zetten de handtekening. Benader je ze in de verkeerde volgorde, of focus je op de verkeerde persoon? Dan ben je weer terug bij af.

Een 'quick win': LinkedIn Search

Toen de basis van de DMU-data stond, stelden we onszelf de vraag: wat is de kleinste toevoeging die direct frustratie wegneemt?

Het antwoord was een LinkedIn-zoekknop. Geen directe link naar een profiel (dat kunnen we niet 100% garanderen), maar een zoekopdracht die vooraf is ingevuld met de juiste criteria. Eén klik en je ziet direct de resultaten die je nodig hebt om te verifiëren:

• Werkt deze persoon er nog?
• Wat is de exacte titel?
• Hebben we gemeenschappelijke connecties?

Per keer scheelt dit misschien een paar minuten. Maar over meerdere stakeholders en deals heen, bespaart dit uren aan repetitief zoekwerk.

Wat dit mogelijk maakt

Dit is pas versie één. De fundering. Maar zelfs in dit stadium reiken de mogelijkheden verder dan alleen het sneller sluiten van deals.

Denk aan Procurement: Je bent een nieuwe leverancier aan het screenen. Historische DMU-data laat zien wie er bij soortgelijke bedrijven betrokken was bij vergelijkbare beslissingen. Dit is goud waard voor referentiechecks of warme introducties via je netwerk.

Denk aan interne afstemming: Een collega heeft twee jaar geleden een deal gesloten met een bepaald bedrijf. Wie waren toen de beslissers? Wie waren de influencers die hielpen de deal over de streep te trekken?

Deze institutionele kennis is vaak versnipperd, begraven in CRM-systemen of verdwenen met vertrekkende collega's. Door deze beslissingshistorie te structureren, maken we kennis doorzoekbaar en herhaalbaar. Teams hoeven het verleden niet meer te reconstrueren, maar kunnen direct handelen met zekerheid in het heden.